Andrej Karpathy calcula que solo unas 5.000 personas en el mundo ven de verdad lo que la inteligencia artificial ya es capaz de hacer. Lo escribió el domingo en un post en X que supera los 4,8 millones de visualizaciones, y en el que recupera una idea suya de abril para decir que la brecha se ha ensanchado.
Karpathy fue miembro fundador de OpenAI, dirigió la IA de Tesla y desde mayo de 2026 trabaja en el equipo de preentrenamiento de Anthropic. O sea, él mismo está dentro de esas 5.000 personas. Cuando alguien con ese asiento dice que el público ve un tráiler, conviene escucharlo.
Puntos clave del embudo de Karpathy
- 6.000 millones de personas (en torno al 75% de la población) apenas han usado un modelo de lenguaje.
- Entre 1.000 y 2.000 millones usan chatbots gratuitos para respuestas rápidas, "un Google mejor" o una ayuda para escribir.
- Unos 20 millones de profesionales, sobre todo en programación y matemáticas, usan modelos de frontera para terminar proyectos que antes llevaban semanas o meses.
- Unas 5.000 personas tienen acceso interno a los sistemas más avanzados de los laboratorios, capaces de coordinar miles de agentes en proyectos de software, ciberseguridad o investigación matemática.
De dos grupos que no se entienden a un embudo
En abril, Karpathy describía el problema como dos bandos hablando sin escucharse: los que creían que la IA era un juguete y los que la usaban a diario para trabajo serio. Ahora dice que ese dibujo se queda corto. Lo que hay es un embudo muy afilado, con la boca ancha llena de gente que casi no ha probado nada y un cuello estrechísimo donde unos pocos ven "la curva ponerse vertical".
Él lo llama la rareza del momento. La mayoría sigue infravalorando la tecnología mientras una minoría muy pequeña siente que acelera. Y según su propio cálculo, la distancia entre esos extremos crece.
Hay una frase suya que merece más atención que los números. Según recoge Benzinga, Karpathy avisa de que "la revisión y la comprensión humanas empiezan a quedarse atrás" frente al trabajo cada vez más complejo que generan estos sistemas. Es decir, el problema ya toca también a los que están dentro.
Por qué se abre la brecha
Karpathy da tres razones.
La primera es el acceso. Hay escalones de pago, y cada uno abre un modelo distinto. La versión gratuita de un chatbot y el modelo de frontera que usa un laboratorio por dentro se parecen poco. Lo vimos esta misma semana con Meta: su Muse Wonder Full, el modelo bueno, solo está en planes de 50 y 200 dólares al mes, mientras la API vende la versión inferior.
La segunda es el tamaño del problema. Quien pide a la IA un email de tres líneas no ve lo mismo que quien le encarga reescribir un módulo de 40.000 líneas de código durante una semana con varios agentes en paralelo. El modelo puede ser el mismo. La experiencia no se parece.
La tercera es dónde rinden mejor los modelos. Karpathy dice que destacan en terrenos digitales donde la respuesta se puede comprobar y donde además hay dinero: el código y las matemáticas. Un programa compila o no compila. Una demostración se verifica o no. En marketing, en estrategia o en una negociación, comprobar si la respuesta es buena cuesta más, y ahí los avances se notan menos.
Esto encaja con lo que llevamos meses viendo. En agosto contamos cómo Karpathy le pasó un párrafo de El Señor de los Anillos a Opus 5 y le salieron 5.500 líneas de código. Hoy mismo, DeepMind publica en Science que su agente AlphaProof Nexus ha resuelto 9 problemas abiertos de Erdős. Son los dos campos que él señala.
Ojo con los números
Karpathy lo presenta como cálculo de servilleta, y así hay que leerlo. Las 5.000 personas con acceso interno son una estimación de alguien que conoce los laboratorios por dentro, sin metodología publicada. Los 20 millones de profesionales tampoco salen de una encuesta.
Pero el orden de magnitud cuadra con otros datos. OpenAI ya hablaba de más de 800 millones de usuarios semanales de ChatGPT en octubre de 2025, y la inmensa mayoría usa el plan gratuito. Las suscripciones de 200 dólares al mes, donde viven los modelos más capaces y los límites altos, son una fracción mínima. Y lo que cada laboratorio tiene en su servidor interno, meses antes de lanzarlo, por definición solo lo ve su plantilla.
También hay un matiz que el propio Karpathy deja abierto. Que 5.000 personas vean algo más potente no significa que lo vean todo bien. Si la comprensión humana se queda atrás, como él mismo dice, estar dentro del cuello del embudo tampoco garantiza entender lo que sale de él.
Qué significa para una empresa que trabaja con IA
Aquí va mi lectura como alguien que usa Claude todos los días en dos empresas.
La mayoría de equipos que conozco está en la segunda franja del embudo. Tienen ChatGPT o Copilot, lo usan para redactar correos y resumir documentos, y concluyen que la IA está bien pero no cambia gran cosa. Su conclusión es honesta. Simplemente no han visto el resto.
El salto a la tercera franja, la de los 20 millones, no exige estar en un laboratorio. Exige tres cosas que cualquier empresa puede hacer este trimestre:
1. Pagar el escalón bueno a las personas que más lo van a usar. La diferencia entre el plan gratuito y uno de pago de Claude, ChatGPT o Gemini se nota desde el primer día en tareas largas. 2. Darle problemas grandes. Un proceso entero (la conciliación de pagos del mes, la migración de un catálogo, el análisis de un año de pedidos), no una frase suelta. 3. Empezar donde se puede comprobar. Datos, código, números, hojas de cálculo. Es justo donde Karpathy dice que los modelos rinden, y es donde un error salta a la vista.
En Barner empezamos por ahí, por los informes de pedidos e IVA que se pueden cuadrar al céntimo. Funcionó porque cada resultado tenía una prueba.
Lo incómodo del mensaje de Karpathy es que la brecha no se cierra sola. Si los modelos mejoran más rápido donde ya hay ventaja, quien se quede en la boca del embudo verá cómo la distancia con sus competidores crece cada mes sin entender bien por qué.
Fuente original: X
Relacionado
